Retirado do artigo Miller et al. (2019). Distance sampling in R. Journal of Statistical Sofware 89(1)
# instalar pacotes necessários
#install.packages("Distance")
# instalar pacotes adicionais
#install.packages("mrds")
#install.packages("dsm")
#install.packages("mads")
#install.packages("dsims")
# carregar pacotes
library(Distance)
Carregando pacotes exigidos: mrds
This is mrds 2.2.8
Built: R 4.3.0; ; 2023-04-28 17:39:52 UTC; unix
Attaching package: ‘Distance’
The following object is masked from ‘package:mrds’:
create.bins
library(dplyr)
Attaching package: ‘dplyr’
The following objects are masked from ‘package:stats’:
filter, lag
The following objects are masked from ‘package:base’:
intersect, setdiff, setequal, union
library(DT)
library(flextable)
library(ggplot2)
library(lubridate)
Attaching package: ‘lubridate’
The following objects are masked from ‘package:base’:
date, intersect, setdiff, union
library(plotly)
Attaching package: ‘plotly’
The following object is masked from ‘package:ggplot2’:
last_plot
The following objects are masked from ‘package:flextable’:
highlight, style
The following object is masked from ‘package:stats’:
filter
The following object is masked from ‘package:graphics’:
layout
library(readr)
library(readxl)
library(stringr)
library(tibble)
library(tidyr)
# carregar as funções da pasta R
# carregar função script_carregar_funções_pasta_r.R
source(
paste0(
here::here(),
"/R/minhas_funcoes.R"
)
)
Attaching package: ‘ggpubr’
The following objects are masked from ‘package:flextable’:
border, font, rotate
here() starts at /home/usuario/Documentos/Vitor/Piper3D/WWF/Monitora/Dados/Monitora/Monitora/piper3d_monitora_florestal
Attaching package: ‘purrr’
The following object is masked from ‘package:flextable’:
compose
# carregar dados
cutia_tap_arap <- transformar_para_distanceR_covariaveis() |>
filter(
Region.Label == "Resex Tapajos-Arapiuns",
sp_name == "Dasyprocta croconota"
) |>
drop_na(distance)
# readr::write_excel_csv(
# cutia_tap_arap,
# paste0(
# here::here(),
# "/data/cutia_tap_arap.csv"
# ),
# )
cutia_tap_arap <- cutia_tap_arap |>
select(
Region.Label,
Area,
Sample.Label,
Effort,
distance
)
cutia_tap_arap |>
DT::datatable(filter = "top")
dados_completos |>
group_by(
uc_name,
ea_name
) |>
filter(day_effort == max(day_effort)) |>
drop_na(distance) |>
ungroup()
dados_completos |>
filter(
uc_name == "Resex Tapajos-Arapiuns",
sp_name == "Dasyprocta croconota"
) |>
datatable(filter = list(position = "top"))
Variáveis necessárias para o data.frame:
Region.Label: vetor fator com o estrato contendo o
transecto (pode ser uma estratificação pré-amostragem - UCs - ou
pós-amostragem - ex. região, estado, bioma)
Area: vetor numérico contendo a área do
estrato;
Sample.Label: vetor númerico contendo a identidade
(ID) do transecto
object: nome adicional, ver seção 6;
detected: nome adicional, ver seção 6;
Effort: vetor númerico contendo o esforço do
transecto (para linhas seu comprimento, para pontos o número de vezes
que o ponto foi visitado)
size: vetor numérico copntendo o tamanho do grupo
observado;
distance: vetor numérico de distâncias
observadas;
Month:
OBs:
Sp:
mas:
HAS:
Study.Area:
Transectos que foram amostrados, mas que não tiveram observações (n =
0) devem ser incluídos no conjunto de dados com NA nas
observações de distância e qualquer outra covariael para a qual não se
tenha observação.
# cutia_tap_arap |>
# complete(Region.Label, Sample.Label, sp_name) |>
# datatable(filter = list(position = "top"))
Jogar a imputacao de NAs pra dentro da funcao carregar
dados completos.
# desenha o grafico com a distribuicao de distancias perpendiculares
cutia_tap_arap |>
filter(distance >= 1,
distance <= 14) |>
plotar_distribuicao_distancia_interativo()
summary(cutia_tap_arap$distance)
Ajustando um modelo ao dados das cutias Dasyprocta
croconota, configurando uma distância limite de 20m e usando
Half-normal como key function usando o argumento
key, sem termo de ajuste.
cutia_tap_arap_filtrado <- cutia_tap_arap |>
filter(distance >= 1,
distance <= 14)
# ajustando a função de detecção para uma distancia de truncamento de 20, 15, 10 e 5 metros
# dsitancias de truncamento
dist_truncamento <- list(
`14 metros` = 14,
`12 metros` = 12,
`10 metros` = 10,
`7 metros` = 7
)
# Key function - Half-normal
cutia_tap_arap_hn <- purrr::map(
dist_truncamento,
\(.x) ajuste_modelos_distance_hn(
cutia_tap_arap_filtrado,
truncamento = .x
)
)
cutia_tap_arap_hn
Ajustando um modelo ao dados da cutia Dasyprocta croconota,
configurando uma distância limite de 20m e usando Hazard rate
como key function usando o argumento key.
# ajustando a função de detecção para uma distancia de truncamento de 20, 15, 10 e 5 metros
# Key function - Hazard-rate
cutia_tap_arap_hr <- purrr::map(
dist_truncamento,
\(.x) ajuste_modelos_distance_hr(
cutia_tap_arap_filtrado,
truncamento = .x
)
)
Ajustando um modelo ao dados das cutias Dasyprocta
croconota, configurando uma distância limite de 20m e usando
Uniform como key function usando o argumento
key, sem termo de ajuste.
# ajustando a função de detecção para uma distancia de truncamento de 20, 15, 10 e 5 metros
# Key function - Uniform
cutia_tap_arap_unif <- purrr::map(
dist_truncamento,
\(.x) ajuste_modelos_distance_unif(
cutia_tap_arap,
truncamento = .x
)
)
summarize_ds_models(
cutia_tap_arap_hn$`14 metros`$`Sem termo`,
cutia_tap_arap_hn$`14 metros`$Cosseno,
cutia_tap_arap_hn$`14 metros`$`Hermite polinomial`,
cutia_tap_arap_hr$`14 metros`$`Sem termo`,
cutia_tap_arap_hr$`14 metros`$Cosseno,
cutia_tap_arap_hr$`14 metros`$`Polinomial simples`,
cutia_tap_arap_unif$`14 metros`$Cosseno,
cutia_tap_arap_unif$`14 metros`$`Polinomial simples`
)
summarize_ds_models(
cutia_tap_arap_hn$`12 metros`$`Sem termo`,
cutia_tap_arap_hn$`12 metros`$Cosseno,
cutia_tap_arap_hn$`12 metros`$`Hermite polinomial`,
cutia_tap_arap_hr$`12 metros`$`Sem termo`,
cutia_tap_arap_hr$`12 metros`$Cosseno,
cutia_tap_arap_hr$`12 metros`$`Polinomial simples`,
cutia_tap_arap_unif$`12 metros`$Cosseno,
cutia_tap_arap_unif$`12 metros`$`Polinomial simples`
)
summarize_ds_models(
cutia_tap_arap_hn$`10 metros`$`Sem termo`,
cutia_tap_arap_hn$`10 metros`$Cosseno,
cutia_tap_arap_hn$`10 metros`$`Hermite polinomial`,
cutia_tap_arap_hr$`10 metros`$`Sem termo`,
cutia_tap_arap_hr$`10 metros`$Cosseno,
cutia_tap_arap_hr$`10 metros`$`Polinomial simples`,
cutia_tap_arap_unif$`10 metros`$Cosseno,
cutia_tap_arap_unif$`10 metros`$`Polinomial simples`
)
summarize_ds_models(
cutia_tap_arap_hn$`7 metros`$`Sem termo`,
cutia_tap_arap_hn$`7 metros`$Cosseno,
cutia_tap_arap_hn$`7 metros`$`Hermite polinomial`,
cutia_tap_arap_hr$`7 metros`$`Sem termo`,
cutia_tap_arap_hr$`7 metros`$Cosseno,
cutia_tap_arap_hr$`7 metros`$`Polinomial simples`,
cutia_tap_arap_unif$`7 metros`$Cosseno,
cutia_tap_arap_unif$`7 metros`$`Polinomial simples`
)
O que tem que ter?
Os gráficos (probabilidade de detecção pela distância, com a curva ajustada, exemplo abaixo, fazer no ggplot), resultado do goodness of fit (gof_ds()), cada modelo vai ter que ter um nome diferente numa tabela(?)
plot(cutia_tap_arap_hn, breaks = seq(0, 20, 2.5))
plot(cutia_tap_arap_hn_herm, breaks = seq(0, 20, 2.5))
plot(cutia_tap_arap_hn_cos, breaks = seq(0, 20, 2.5))
plot(cutia_tap_arap_hr, breaks = seq(0, 20, 2.5))
plot(cutia_tap_arap_hr_poly, breaks = seq(0, 20, 2.5))
plot(cutia_tap_arap_hr_cos, breaks = seq(0, 20, 2.5))
Podemos usar a função summary para obter informações
importantes sobre o modelo.
lista_modelos <- list(
cutia_tap_arap_hn,
cutia_tap_arap_hn_herm,
cutia_tap_arap_hn_cos,
cutia_tap_arap_hr,
cutia_tap_arap_hr_poly,
cutia_tap_arap_hr_cos
)
purrr::map(lista_modelos, \(x) summary(x))
summarize_ds_models(
cutia_tap_arap_hn,
cutia_tap_arap_hn_herm,
cutia_tap_arap_hn_cos,
cutia_tap_arap_hr,
cutia_tap_arap_hr_poly,
cutia_tap_arap_hr_cos
)
O resultado inclui detalhes sobre o dado e a especificação do modelo, assim como dos coeficientes (\(\beta_{j}\)) e sua inceteza, a média do valor de detectabilidade e sua incerteza e uma estimativa da abundância na área coberta pela amostragem (sem levar em consideração o tamanho dos agrupamentos, ou bandos).
Para visualizar quão bem a função de detecção se ajusta aos dados quanto temos as distâncias exatas podemos usar um plot de quantis empíricos x teóricos (Q-Q plot). Ele compara a função de distribuição cumulativa (CDF) dos valores ajustados da função detecção a distribuição empírica dos dados (EDF).
Também podemos usar o teste de Cramér-von Mises para testar se os pontos da EDF e da CDF tem origem na mesma distribuição. O teste usa a soma de todas as distâncias entre um ponto e a linha y = x para formar a estatística a ser testada. Um resultado significativo fornece evidência contra a hiipótese nula, sugerindo que o modelo não se ajusta bem aos dados.
# ajustando um modelo Half-normal
cutia_hn <- ds(data = cutia_tap_arap_15,
truncation = 20,
transect = "line",
key = "hn",
adjustment = NULL)
# conduzindo o teste dfe bondadede ajuste de Cramer-von Mises
gof_ds(cutia_hn)
gof_ds(cutia_hr_time)
O resutlado do teste aponta que o modelo Half-normal deve ser descartado.
Testes de bondade de ajuste de chi-quadrado são gerados usando a
função gof_ds quando as distâncias forneceidas estão
categorizadas.
Uma vez que temos um conjunto de modelos plausíveis, podemos utilizar
o cirtériode informaçãode Akaike (AIC) para selecionar entre os modelos
o que melhor se ajusta aos dados utilizando a função
summarize_ds_models.
# gerando uma tabela de seleção de modelos usando AIC
summarize_ds_models(cutia_hn, cutia_hr_time, cutia_hr_time_size)
O melhor modelo é o Hazard-rate com tempo de senso e tamanho do grupo como covariáveis.
Para obter a abundância na região de estudo, primeiro calculamos a abundância na área amostrada para obter \(N_c\) e em seguida escalonamos esse valor para toda a área de estudo multiplicando \(N_c\) pela razão entre a área amostrada e a área da região. Para estimar a abundância na área amostrada, utilizamos as estimativas de probabilidade de detecção no estimador de Horvitz-Thompson.
Quando fornecemos os dados no formato correto (“flatfile”)
ds irá automaticamente calcular as estimativas de
abundância baseado nas informações de amostragem presenta nos dados.
summary(cutia_hn)
Summary statistics: fornece as áreas, aŕea de amostragem, esforço, número de observações, número de transectos, taxa de encontro, seus erros padrões e coeficientes de variação para cada estrato;
Abundance: fornece estimativas, erros padrões, coeficientesde variação, intervalos de confiança inferior e superior, graus de liberdade para a estimativa de abundância de cada estrato;
Densidade: lista as mesmas estatísticas de Abundance, só que para densidade.
contar_n_repeticoes_trilha() - conta o número de vezes
que cada trilha foi visitada
Ajuste Hermite pollynomial usa od código "herm"
e polinomial simples "poly".
Podemos incluir covariáveis utilizando o argumento
formula = ~ .... Abaixo, está especificado um modelo
“Hazard-rate” para os dados de cutia q ue inclui o tempo de senso como
covariável e uma distância limite de 20m.
cutia_hr_time <- cutia_tap_arap_15 |>
ds(truncation = 20,
key = "hr",
formula = ~ cense_time)
Adicionando uma segunda covariável: tamanho do grupo.
cutia_hr_time_size <- ds(data = cutia_tap_arap_15,
truncation = 20,
transect = "line",
key = "hr",
formula = ~ cense_time + size)
plot(cutia_hr_time)
plot(cutia_hr_time_size)
cutia_esec_terra_meio <- transformar_para_distanceR_covariaveis() |>
filter(
Region.Label == "Esec da Terra do Meio",
sp_name == "Dasyprocta croconota"
) |>
drop_na(distance)
# desenha o grafico com a distribuicao de distancias perpendiculares
cutia_esec_terra_meio |>
filter(distance >= 1,
distance < 15) |>
plotar_distribuicao_distancia_interativo(largura_caixa = 1)
Ajustando um modelo ao dados das cutias Dasyprocta
croconota, configurando uma distância limite de 20m e usando
Half-normal como key function usando o argumento
key, sem termo de ajuste.
cutia_esec_terra_meio_filtrado
cutia_esec_terra_meio_filtrado <- cutia_esec_terra_meio |>
filter(distance >= 1,
distance < 15)
# ajustando a função de detecção para uma distancia de truncamento de 20, 15, 10 e 5 metros
# dsitancias de truncamento
dist_truncamento <- list(
#`20 metros` = 20,
`15 metros` = 15,
`12 metros` = 12,
`10 metros` = 10
)
# Key function - Half-normal
cutia_esec_terra_meio_hn <- purrr::map(
dist_truncamento,
\(.x) ajuste_modelos_distance_hn(
cutia_esec_terra_meio_filtrado,
truncamento = .x
)
)
cutia_esec_terra_meio_hn
Ajustando um modelo ao dados da cutia Dasyprocta croconota,
configurando uma distância limite de 20m e usando Hazard rate
como key function usando o argumento key.
# ajustando a função de detecção para uma distancia de truncamento de 20, 15, 10 e 5 metros
# Key function - Hazard-rate
cutia_esec_terra_meio_hr <- purrr::map(
dist_truncamento,
\(.x) ajuste_modelos_distance_hr(
cutia_esec_terra_meio_filtrado,
truncamento = .x
)
)
Ajustando um modelo ao dados das cutias Dasyprocta
croconota, configurando uma distância limite de 20m e usando
Uniform como key function usando o argumento
key, sem termo de ajuste.
# ajustando a função de detecção para uma distancia de truncamento de 20, 15, 10 e 5 metros
# Key function - Uniform
cutia_esec_terra_meio_unif <- purrr::map(
dist_truncamento,
\(.x) ajuste_modelos_distance_unif(
cutia_tap_arap,
truncamento = .x
)
)
summarize_ds_models(
cutia_esec_terra_meio_hn$`20 metros`$`Sem termo`,
cutia_esec_terra_meio_hn$`20 metros`$Cosseno,
cutia_esec_terra_meio_hn$`20 metros`$`Hermite polinomial`,
cutia_esec_terra_meio_hr$`20 metros`$`Sem termo`,
cutia_esec_terra_meio_hr$`20 metros`$Cosseno,
cutia_esec_terra_meio_hr$`20 metros`$`Polinomial simples`,
cutia_esec_terra_meio_unif$`20 metros`$Cosseno,
cutia_esec_terra_meio_unif$`20 metros`$`Polinomial simples`
)
summarize_ds_models(
cutia_esec_terra_meio_hn$`15 metros`$`Sem termo`,
cutia_esec_terra_meio_hn$`15 metros`$Cosseno,
cutia_esec_terra_meio_hn$`15 metros`$`Hermite polinomial`,
cutia_esec_terra_meio_hr$`15 metros`$`Sem termo`,
cutia_esec_terra_meio_hr$`15 metros`$Cosseno,
cutia_esec_terra_meio_hr$`15 metros`$`Polinomial simples`,
cutia_esec_terra_meio_unif$`15 metros`$Cosseno,
cutia_esec_terra_meio_unif$`15 metros`$`Polinomial simples`
)
summarize_ds_models(
cutia_esec_terra_meio_hn$`10 metros`$`Sem termo`,
cutia_esec_terra_meio_hn$`10 metros`$Cosseno,
cutia_esec_terra_meio_hn$`10 metros`$`Hermite polinomial`,
cutia_esec_terra_meio_hr$`10 metros`$`Sem termo`,
cutia_esec_terra_meio_hr$`10 metros`$Cosseno,
cutia_esec_terra_meio_hr$`10 metros`$`Polinomial simples`,
cutia_esec_terra_meio_unif$`10 metros`$Cosseno,
cutia_esec_terra_meio_unif$`10 metros`$`Polinomial simples`
)
summarize_ds_models(
cutia_esec_terra_meio_hn$`12 metros`$`Sem termo`,
cutia_esec_terra_meio_hn$`12 metros`$Cosseno,
cutia_esec_terra_meio_hn$`12 metros`$`Hermite polinomial`,
cutia_esec_terra_meio_hr$`12 metros`$`Sem termo`,
cutia_esec_terra_meio_hr$`12 metros`$Cosseno,
cutia_esec_terra_meio_hr$`12 metros`$`Polinomial simples`,
cutia_esec_terra_meio_unif$`12 metros`$Cosseno,
cutia_esec_terra_meio_unif$`12 metros`$`Polinomial simples`
)
cutia_parna_serra_pardo <- transformar_para_distanceR_covariaveis() |>
filter(
Region.Label == "Parna da Serra do Pardo",
sp_name == "Dasyprocta croconota"
) |>
drop_na(distance)
# desenha o grafico com a distribuicao de distancias perpendiculares
cutia_parna_serra_pardo |>
filter(distance < 15,
distance > 0) |>
plotar_distribuicao_distancia_interativo()
Ajustando um modelo ao dados das cutias Dasyprocta
croconota, configurando uma distância limite de 20m e usando
Half-normal como key function usando o argumento
key, sem termo de ajuste.
# ajustando a função de detecção para uma distancia de truncamento de 20, 15, 10 e 5 metros
# dsitancias de truncamento
dist_truncamento <- list(
`20 metros` = 20,
`15 metros` = 15,
`10 metros` = 10,
`5 metros` = 5
)
# Key function - Half-normal
cutia_parna_serra_pardo_hn <- purrr::map(
dist_truncamento,
\(.x) ajuste_modelos_distance_hn(
cutia_parna_serra_pardo,
truncamento = .x
)
)
cutia_parna_serra_pardo_hn
Ajustando um modelo ao dados da cutia Dasyprocta croconota,
configurando uma distância limite de 20m e usando Hazard rate
como key function usando o argumento key.
# ajustando a função de detecção para uma distancia de truncamento de 20, 15, 10 e 5 metros
# Key function - Hazard-rate
cutia_parna_serra_pardo_hr <- purrr::map(
dist_truncamento,
\(.x) ajuste_modelos_distance_hr(
cutia_parna_serra_pardo,
truncamento = .x
)
)
Ajustando um modelo ao dados das cutias Dasyprocta
croconota, configurando uma distância limite de 20m e usando
Uniform como key function usando o argumento
key, sem termo de ajuste.
# ajustando a função de detecção para uma distancia de truncamento de 20, 15, 10 e 5 metros
# Key function - Uniform
cutia_parna_serra_pardo_unif <- purrr::map(
dist_truncamento,
\(.x) ajuste_modelos_distance_unif(
cutia_parna_serra_pardo,
truncamento = .x
)
)
summarize_ds_models(
cutia_parna_serra_pardo_hn$`20 metros`$`Sem termo`,
cutia_parna_serra_pardo_hn$`20 metros`$Cosseno,
cutia_parna_serra_pardo_hn$`20 metros`$`Hermite polinomial`,
cutia_parna_serra_pardo_hr$`20 metros`$`Sem termo`,
cutia_parna_serra_pardo_hr$`20 metros`$Cosseno,
cutia_parna_serra_pardo_hr$`20 metros`$`Polinomial simples`,
cutia_parna_serra_pardo_unif$`20 metros`$Cosseno,
cutia_parna_serra_pardo_unif$`20 metros`$`Polinomial simples`
)
summarize_ds_models(
cutia_parna_serra_pardo_hn$`15 metros`$`Sem termo`,
cutia_parna_serra_pardo_hn$`15 metros`$Cosseno,
cutia_parna_serra_pardo_hn$`15 metros`$`Hermite polinomial`,
cutia_parna_serra_pardo_hr$`15 metros`$`Sem termo`,
cutia_parna_serra_pardo_hr$`15 metros`$Cosseno,
cutia_parna_serra_pardo_hr$`15 metros`$`Polinomial simples`,
cutia_parna_serra_pardo_unif$`15 metros`$Cosseno,
cutia_parna_serra_pardo_unif$`15 metros`$`Polinomial simples`
)
summarize_ds_models(
cutia_parna_serra_pardo_hn$`10 metros`$`Sem termo`,
cutia_parna_serra_pardo_hn$`10 metros`$Cosseno,
cutia_parna_serra_pardo_hn$`10 metros`$`Hermite polinomial`,
cutia_parna_serra_pardo_hr$`10 metros`$`Sem termo`,
cutia_parna_serra_pardo_hr$`10 metros`$Cosseno,
cutia_parna_serra_pardo_hr$`10 metros`$`Polinomial simples`,
cutia_parna_serra_pardo_unif$`10 metros`$`Sem termo`,
cutia_parna_serra_pardo_unif$`10 metros`$Cosseno,
cutia_parna_serra_pardo_unif$`10 metros`$`Polinomial simples`
)
summarize_ds_models(
cutia_parna_serra_pardo_hn$`5 metros`$`Sem termo`,
cutia_parna_serra_pardo_hn$`5 metros`$Cosseno,
cutia_parna_serra_pardo_hn$`5 metros`$`Hermite polinomial`,
cutia_parna_serra_pardo_hr$`5 metros`$`Sem termo`,
cutia_parna_serra_pardo_hr$`5 metros`$Cosseno,
cutia_parna_serra_pardo_hr$`5 metros`$`Polinomial simples`,
cutia_parna_serra_pardo_unif$`5 metros`$`Sem termo`,
cutia_parna_serra_pardo_unif$`5 metros`$Cosseno,
cutia_parna_serra_pardo_unif$`5 metros`$`Polinomial simples`
)
purrr::map_df(
list(
cutia_esec_terra_meio_hn$`20 metros`,
cutia_esec_terra_meio_hr$`20 metros`
),
\(.x) purrr::map_df(.x, \(.y) summarize_ds_models(.y))
)
purrr::map_df(
cutia_esec_terra_meio_hn$`15 metros`,
\(.x) summarize_ds_models(.x)
)
purrr::map_df(
cutia_esec_terra_meio_hn$`10 metros`,
\(.x) summarize_ds_models(.x)
)
purrr::map_df(
cutia_esec_terra_meio_hn$`5 metros`,
\(.x) summarize_ds_models(.x)
)
Fonte: datuopinion.com
sagui_mont_tumuc <- transformar_para_distanceR_covariaveis() |>
filter(
Region.Label == "Parna Montanhas do Tumucumaque",
sp_name == "Saguinus midas"
) |>
drop_na(distance)
sagui_mont_tumuc |>
plotar_distribuicao_distancia_interativo()
sagui_mont_tumuc_hn <- sagui_mont_tumuc |>
ajuste_modelos_distance_hn(lista_termos_ajuste = truncamento = 10)
sagui_mont_tumuc_hr <- sagui_mont_tumuc |>
ajuste_modelos_distance_hr(truncamento = 10)
sagui_mont_tumuc_hn |>
purrr::map(\(.x) plot(.x))
sagui_mont_tumuc_hr |>
purrr::map(\(.x) plot(.x))
summarize_ds_models(
sagui_mont_tumuc_hn$`Sem termo`,
sagui_mont_tumuc_hn$Cosseno,
sagui_mont_tumuc_hn$`Hermite polinomial`,
sagui_mont_tumuc_hr$`Sem termo`,
sagui_mont_tumuc_hr$Cosseno,
sagui_mont_tumuc_hr$`Polinomial simples`
)
sagui_mont_tumuc_hn |>
purrr::map(\(.x) gof_ds(model = .x))
sagui_mont_tumuc_hr |>
purrr::map(\(.x) gof_ds(model = .x))
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
sagui_mont_tumuc_hn$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
sagui_mont_tumuc_hn$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
sagui_mont_tumuc_hn$`Sem termo`$dht$individuals$D
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
sagui_mont_tumuc_hr$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
sagui_mont_tumuc_hr$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
sagui_mont_tumuc_hr$`Sem termo`$dht$individuals$D
Fonte: zoochat.com
cutia_alto_tarau <- transformar_para_distanceR_covariaveis() |>
filter(
Region.Label == "Resex Alto Tarauacá",
sp_name == "Myoprocta pratti"
) |>
drop_na(distance)
cutia_alto_tarau |>
plotar_distribuicao_distancia_interativo()
cutia_alto_tarau_hn <- cutia_alto_tarau |>
ajuste_modelos_distance_hn(truncamento = 10)
cutia_alto_tarau_hr <- cutia_alto_tarau |>
ajuste_modelos_distance_hr(truncamento = 10)
cutia_alto_tarau_hn |>
purrr::map(\(.x) plot(.x))
cutia_alto_tarau_hr |>
purrr::map(\(.x) plot(.x))
summarize_ds_models(
cutia_alto_tarau_hn$`Sem termo`,
cutia_alto_tarau_hn$Cosseno,
cutia_alto_tarau_hn$`Hermite polinomial`,
cutia_alto_tarau_hr$`Sem termo`,
cutia_alto_tarau_hr$Cosseno,
cutia_alto_tarau_hr$`Polinomial simples`
)
cutia_alto_tarau_hn |>
purrr::map(\(.x) gof_ds(model = .x))
cutia_alto_tarau_hr |>
purrr::map(\(.x) gof_ds(model = .x))
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
cutia_alto_tarau_hn$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
cutia_alto_tarau_hn$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
cutia_alto_tarau_hn$`Sem termo`$dht$individuals$D
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
cutia_alto_tarau_hr$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
cutia_alto_tarau_hr$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
cutia_alto_tarau_hr$`Sem termo`$dht$individuals$D
Fonte: zoochat.com
macaco_jaru <- transformar_para_distanceR_covariaveis() |>
filter(
Region.Label == "Rebio do Jaru",
sp_name == "Lagothrix cana"
) |>
drop_na(distance)
macaco_jaru |>
plotar_distribuicao_distancia_interativo()
macaco_jaru_hn <- macaco_jaru |>
ajuste_modelos_distance_hn(truncamento = 20)
macaco_jaru_hr <- macaco_jaru |>
ajuste_modelos_distance_hr(truncamento = 20)
macaco_jaru_hn |>
purrr::map(\(.x) plot(.x))
macaco_jaru_hr |>
purrr::map(\(.x) plot(.x))
summarize_ds_models(
macaco_jaru_hn$`Sem termo`,
macaco_jaru_hn$Cosseno,
macaco_jaru_hn$`Hermite polinomial`,
macaco_jaru_hr$`Sem termo`,
macaco_jaru_hr$Cosseno,
macaco_jaru_hr$`Polinomial simples`
)
macaco_jaru_hn |>
purrr::map(\(.x) gof_ds(model = .x))
macaco_jaru_hr |>
purrr::map(\(.x) gof_ds(model = .x))
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
macaco_jaru_hn$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
macaco_jaru_hn$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
macaco_jaru_hn$`Sem termo`$dht$individuals$D
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
macaco_jaru_hr$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
macaco_jaru_hr$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
macaco_jaru_hr$`Sem termo`$dht$individuals$D
Fonte: zoochat.com
cervo_tap_arap <- transformar_para_distanceR_covariaveis() |>
filter(
Region.Label == "Resex Tapajos-Arapiuns",
sp_name == "Mazama americana"
) |>
drop_na(distance)
cervo_tap_arap |>
plotar_distribuicao_distancia_interativo()
cervo_tap_arap_hn <- cervo_tap_arap |>
ajuste_modelos_distance_hn(truncamento = 13)
cervo_tap_arap_hr <- cervo_tap_arap |>
ajuste_modelos_distance_hr(truncamento = 13)
cervo_tap_arap_hn |>
purrr::map(\(.x) plot(.x))
cervo_tap_arap_hr |>
purrr::map(\(.x) plot(.x))
summarize_ds_models(
cervo_tap_arap_hn$`Sem termo`,
cervo_tap_arap_hn$Cosseno,
cervo_tap_arap_hn$`Hermite polinomial`,
cervo_tap_arap_hr$`Sem termo`,
cervo_tap_arap_hr$Cosseno,
cervo_tap_arap_hr$`Polinomial simples`
)
cervo_tap_arap_hn |>
purrr::map(\(.x) gof_ds(model = .x))
cervo_tap_arap_hr |>
purrr::map(\(.x) gof_ds(model = .x))
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
cervo_tap_arap_hn$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
cervo_tap_arap_hn$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
cervo_tap_arap_hn$`Sem termo`$dht$individuals$D
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
cervo_tap_arap_hr$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
cervo_tap_arap_hr$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
cervo_tap_arap_hr$`Sem termo`$dht$individuals$D
Fonte: pinterest.com
inambu_mont_tumuc <- transformar_para_distanceR_covariaveis() |>
filter(
Region.Label == "Parna Montanhas do Tumucumaque",
sp_name == "Tinamus major"
) |>
drop_na(distance)
inambu_mont_tumuc |>
plotar_distribuicao_distancia_interativo()
inambu_mont_tumuc_hn <- inambu_mont_tumuc |>
ajuste_modelos_distance_hn(truncamento = 15)
inambu_mont_tumuc_hr <- inambu_mont_tumuc |>
ajuste_modelos_distance_hr(truncamento = 15)
inambu_mont_tumuc_hn |>
purrr::map(\(.x) plot(.x))
inambu_mont_tumuc_hr |>
purrr::map(\(.x) plot(.x))
summarize_ds_models(
inambu_mont_tumuc_hn$`Sem termo`,
inambu_mont_tumuc_hn$Cosseno,
inambu_mont_tumuc_hn$`Hermite polinomial`,
inambu_mont_tumuc_hr$`Sem termo`,
inambu_mont_tumuc_hr$Cosseno,
inambu_mont_tumuc_hr$`Polinomial simples`
)
inambu_mont_tumuc_hn |>
purrr::map(\(.x) gof_ds(model = .x))
inambu_mont_tumuc_hr |>
purrr::map(\(.x) gof_ds(model = .x))
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
inambu_mont_tumuc_hn$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
inambu_mont_tumuc_hn$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
inambu_mont_tumuc_hn$`Sem termo`$dht$individuals$D
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
inambu_mont_tumuc_hr$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
inambu_mont_tumuc_hr$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
inambu_mont_tumuc_hr$`Sem termo`$dht$individuals$D
Na primeira tentativa de ajuste do modelo distance para dados sem repetição, os dados da cutia Dasyprocta croconota, sem estratificação, para o Parna da Serra do Pardo, Esec da Terra do Meio e Resex Riozinho do Anfrísio. Em seguida, os dados da mesma espécie serão analisados para Resex Tapajós-Arapiuns estratificados por ano.
Fonte: biolib.cz
dasy_croc_serra_pardo <- transformar_para_distanceR_covariaveis_sem_repeticao() |>
filter(
Region.Label == "Parna da Serra do Pardo",
sp_name == "Dasyprocta croconota"
) |>
drop_na(distance)
dasy_croc_serra_pardo
teste1 <- dasy_croc_serra_pardo |>
group_by(Sample.Label, sampling_day, year, season) |>
count(sampling_day) |>
ungroup() |>
arrange(Sample.Label, sampling_day)
teste1
tentar gerar uma nova coluna usando uma condicional que repita uma única data para datas que ocorrem dentro do intervalo amostral. depois basta manter as observações únicas usando distinct()
teste2 <- dasy_croc_serra_pardo |>
group_by(Sample.Label, year, season) |>
count(sampling_day) |>
reframe(n_max = max(n)) |>
ungroup() |>
arrange(year)
teste2
dados_para_filtrar_por_data_quase_sem_repeticao <- teste1 |>
semi_join(
teste2,
join_by(Sample.Label, year, season, n == n_max),
) |>
arrange(sampling_day) |>
distinct(sampling_day, year, season)
dados_para_filtrar_por_data_quase_sem_repeticao
dasy_croc_serra_pardo_quase_sem_repeticao |>
plotar_distribuicao_distancia_interativo(largura_caixa = 1)
Warning: Continuous y aesthetic
ℹ did you forget `aes(group = ...)`?
dasy_croc_serra_pardo_quase_sem_repeticao_hn <- dasy_croc_serra_pardo_quase_sem_repeticao |>
ajuste_modelos_distance_hn(truncamento = 11)
Fitting half-normal key function
AIC= 531.611
Starting AIC adjustment term selection.
Fitting half-normal key function
AIC= 531.611
Fitting half-normal key function with cosine(2) adjustments
AIC= 529.261
Fitting half-normal key function with cosine(2,3) adjustments
AIC= 537.772
Half-normal key function with cosine(2) adjustments selected.
Starting AIC adjustment term selection.
Fitting half-normal key function
AIC= 531.611
Fitting half-normal key function with Hermite(4) adjustments
AIC= 533.535
Half-normal key function selected.
dasy_croc_serra_pardo_quase_sem_repeticao_hr <- dasy_croc_serra_pardo_quase_sem_repeticao |>
ajuste_modelos_distance_hr(truncamento = 11)
Fitting hazard-rate key function
Warning: Estimated hazard-rate scale parameter close to 0 (on log scale). Possible problem in data (e.g., spike near zero distance).AIC= 532.634
Warning: Estimated hazard-rate scale parameter close to 0 (on log scale). Possible problem in data (e.g., spike near zero distance).Starting AIC adjustment term selection.
Fitting hazard-rate key function
Warning: Estimated hazard-rate scale parameter close to 0 (on log scale). Possible problem in data (e.g., spike near zero distance).AIC= 532.634
Fitting hazard-rate key function with cosine(2) adjustments
Warning: Estimated hazard-rate scale parameter close to 0 (on log scale). Possible problem in data (e.g., spike near zero distance).AIC= 534.644
Hazard-rate key function selected.
Warning: Estimated hazard-rate scale parameter close to 0 (on log scale). Possible problem in data (e.g., spike near zero distance).Starting AIC adjustment term selection.
Fitting hazard-rate key function
Warning: Estimated hazard-rate scale parameter close to 0 (on log scale). Possible problem in data (e.g., spike near zero distance).AIC= 532.634
Fitting hazard-rate key function with simple polynomial(4) adjustments
Warning: Detection function is not strictly monotonic!AIC= 530.014
Fitting hazard-rate key function with simple polynomial(4,6) adjustments
Warning: Parameters or bounds appear to have different scalings.
This can cause poor performance in optimization.
It is important for derivative free methods like BOBYQA, UOBYQA, NEWUOA.Warning: Estimated hazard-rate scale parameter close to 0 (on log scale). Possible problem in data (e.g., spike near zero distance).Warning: Model fitting did not converge. Try different initial values or different model
Model failed to converge.
Hazard-rate key function with simple polynomial(4) adjustments selected.
Warning: Detection function is not strictly monotonic!
dasy_croc_serra_pardo_quase_sem_repeticao_hn |>
purrr::map(\(.x) plot(.x))
$`Sem termo`
NULL
$Cosseno
NULL
$`Hermite polinomial`
NULL
dasy_croc_serra_pardo_quase_sem_repeticao_hr |>
purrr::map(\(.x) plot(.x))
$`Sem termo`
NULL
$Cosseno
NULL
$`Polinomial simples`
NULL
summarize_ds_models(
dasy_croc_serra_pardo_quase_sem_repeticao_hn$`Sem termo`,
dasy_croc_serra_pardo_quase_sem_repeticao_hn$Cosseno,
dasy_croc_serra_pardo_quase_sem_repeticao_hn$`Hermite polinomial`,
dasy_croc_serra_pardo_quase_sem_repeticao_hr$`Sem termo`,
dasy_croc_serra_pardo_quase_sem_repeticao_hr$Cosseno,
dasy_croc_serra_pardo_quase_sem_repeticao_hr$`Polinomial simples`
)
dasy_croc_serra_pardo_quase_sem_repeticao_hn |>
purrr::map(\(.x) gof_ds(model = .x))
$`Sem termo`
Goodness of fit results for ddf object
Distance sampling Cramer-von Mises test (unweighted)
Test statistic = 1.00771 p-value = 0.00236025
$Cosseno
Goodness of fit results for ddf object
Distance sampling Cramer-von Mises test (unweighted)
Test statistic = 0.97271 p-value = 0.00285138
$`Hermite polinomial`
Goodness of fit results for ddf object
Distance sampling Cramer-von Mises test (unweighted)
Test statistic = 1.00771 p-value = 0.00236025
dasy_croc_serra_pardo_quase_sem_repeticao_hr |>
purrr::map(\(.x) gof_ds(model = .x))
$`Sem termo`
Goodness of fit results for ddf object
Distance sampling Cramer-von Mises test (unweighted)
Test statistic = 1.07236 p-value = 0.0016668
$Cosseno
Goodness of fit results for ddf object
Distance sampling Cramer-von Mises test (unweighted)
Test statistic = 1.07236 p-value = 0.0016668
$`Polinomial simples`
Goodness of fit results for ddf object
Distance sampling Cramer-von Mises test (unweighted)
Test statistic = 1.77766 p-value = 4.04921e-05
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
dasy_croc_serra_pardo_quase_sem_repeticao_hn$Cosseno$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
dasy_croc_serra_pardo_quase_sem_repeticao_hn$Cosseno$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
dasy_croc_serra_pardo_quase_sem_repeticao_hn$Cosseno$dht$individuals$D
NA
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
dasy_croc_serra_pardo_quase_sem_repeticao_hr$`Polinomial simples`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
dasy_croc_serra_pardo_quase_sem_repeticao_hr$`Polinomial simples`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
dasy_croc_serra_pardo_quase_sem_repeticao_hr$`Polinomial simples`$dht$individuals$D
NA
Fonte: biolib.cz
dasy_croc_terra_meio <- transformar_para_distanceR_covariaveis_sem_repeticao() |> filter(
Region.Label == "Esec da Terra do Meio",
sp_name == "Dasyprocta croconota"
) |>
drop_na(distance)
dasy_croc_terra_meio
teste1 <- dasy_croc_terra_meio |>
group_by(Sample.Label, sampling_day, year, season) |>
count(sampling_day) |>
ungroup() |>
arrange(Sample.Label, sampling_day)
teste1
tentar gerar uma nova coluna usando uma condicional que repita uma única data para datas que ocorrem dentro do intervalo amostral. depois basta manter as observações únicas usando distinct()
teste2 <- dasy_croc_terra_meio |>
group_by(Sample.Label, year, season) |>
count(sampling_day) |>
reframe(n_max = max(n)) |>
ungroup() |>
arrange(year)
teste2
dados_para_filtrar_por_data_quase_sem_repeticao <- teste1 |>
semi_join(
teste2,
join_by(Sample.Label, year, season, n == n_max),
) |>
arrange(sampling_day) |>
distinct(sampling_day, year, season)
dados_para_filtrar_por_data_quase_sem_repeticao
dasy_croc_terra_meio_quase_sem_repeticao |>
plotar_distribuicao_distancia_interativo(largura_caixa = 1)
Warning: Continuous y aesthetic
ℹ did you forget `aes(group = ...)`?
dasy_croc_terra_meio_quase_sem_repeticao_hn <- dasy_croc_terra_meio_quase_sem_repeticao |>
ajuste_modelos_distance_hn(truncamento = 10)
Fitting half-normal key function
AIC= 323.977
Starting AIC adjustment term selection.
Fitting half-normal key function
AIC= 323.977
Fitting half-normal key function with cosine(2) adjustments
Warning: Detection function is not strictly monotonic!AIC= 324.073
Half-normal key function selected.
Starting AIC adjustment term selection.
Fitting half-normal key function
AIC= 323.977
Fitting half-normal key function with Hermite(4) adjustments
AIC= 325.948
Half-normal key function selected.
dasy_croc_terra_meio_quase_sem_repeticao_hr <- dasy_croc_terra_meio_quase_sem_repeticao |>
ajuste_modelos_distance_hr(truncamento = 10)
Fitting hazard-rate key function
Warning: First partial hessian is singular; using second-partial hessian
AIC= 326.127
Starting AIC adjustment term selection.
Fitting hazard-rate key function
Warning: First partial hessian is singular; using second-partial hessian
AIC= 326.127
Fitting hazard-rate key function with cosine(2) adjustments
AIC= 326.399
Hazard-rate key function selected.
Starting AIC adjustment term selection.
Fitting hazard-rate key function
Warning: First partial hessian is singular; using second-partial hessian
AIC= 326.127
Fitting hazard-rate key function with simple polynomial(4) adjustments
AIC= 330.662
Hazard-rate key function selected.
dasy_croc_terra_meio_quase_sem_repeticao_hn |>
purrr::map(\(.x) plot(.x))
$`Sem termo`
NULL
$Cosseno
NULL
$`Hermite polinomial`
NULL
dasy_croc_terra_meio_quase_sem_repeticao_hr |>
purrr::map(\(.x) plot(.x))
$`Sem termo`
NULL
$Cosseno
NULL
$`Polinomial simples`
NULL
summarize_ds_models(
dasy_croc_terra_meio_quase_sem_repeticao_hn$`Sem termo`,
dasy_croc_terra_meio_quase_sem_repeticao_hn$Cosseno,
dasy_croc_terra_meio_quase_sem_repeticao_hn$`Hermite polinomial`,
dasy_croc_terra_meio_quase_sem_repeticao_hr$`Sem termo`,
dasy_croc_terra_meio_quase_sem_repeticao_hr$Cosseno,
dasy_croc_terra_meio_quase_sem_repeticao_hr$`Polinomial simples`
)
dasy_croc_terra_meio_quase_sem_repeticao_hn |>
purrr::map(\(.x) gof_ds(model = .x))
$`Sem termo`
Goodness of fit results for ddf object
Distance sampling Cramer-von Mises test (unweighted)
Test statistic = 0.410198 p-value = 0.067913
$Cosseno
Goodness of fit results for ddf object
Distance sampling Cramer-von Mises test (unweighted)
Test statistic = 0.410198 p-value = 0.067913
$`Hermite polinomial`
Goodness of fit results for ddf object
Distance sampling Cramer-von Mises test (unweighted)
Test statistic = 0.410198 p-value = 0.067913
dasy_croc_terra_meio_quase_sem_repeticao_hr |>
purrr::map(\(.x) gof_ds(model = .x))
$`Sem termo`
Goodness of fit results for ddf object
Distance sampling Cramer-von Mises test (unweighted)
Test statistic = 0.452682 p-value = 0.0526422
$Cosseno
Goodness of fit results for ddf object
Distance sampling Cramer-von Mises test (unweighted)
Test statistic = 0.452682 p-value = 0.0526422
$`Polinomial simples`
Goodness of fit results for ddf object
Distance sampling Cramer-von Mises test (unweighted)
Test statistic = 0.452682 p-value = 0.0526422
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
dasy_croc_terra_meio_quase_sem_repeticao_hn$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
dasy_croc_terra_meio_quase_sem_repeticao_hn$Cosseno$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade estimada, coeficiente de variação da densidade estimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
dasy_croc_terra_meio_quase_sem_repeticao_hn$Cosseno$dht$individuals$D
NA
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
dasy_croc_terra_meio_quase_sem_repeticao_hr$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
dasy_croc_terra_meio_quase_sem_repeticao_hr$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
dasy_croc_terra_meio_quase_sem_repeticao_hr$`Sem termo`$dht$individuals$D
NA
Fonte: biolib.cz
dasy_croc_rio_anfr <- transformar_para_distanceR_covariaveis_sem_repeticao() |> filter(
Region.Label == "Resex Riozinho do Anfrísio",
sp_name == "Dasyprocta croconota"
) |>
drop_na(distance)
dasy_croc_rio_anfr
teste1 <- dasy_croc_rio_anfr |>
group_by(Sample.Label, sampling_day, year, season) |>
count(sampling_day) |>
ungroup() |>
arrange(Sample.Label, sampling_day)
teste1
tentar gerar uma nova coluna usando uma condicional que repita uma única data para datas que ocorrem dentro do intervalo amostral. depois basta manter as observações únicas usando distinct()
teste2 <- dasy_croc_rio_anfr |>
group_by(Sample.Label, year, season) |>
count(sampling_day) |>
reframe(n_max = max(n)) |>
ungroup() |>
arrange(year)
teste2
dados_para_filtrar_por_data_quase_sem_repeticao <- teste1 |>
semi_join(
teste2,
join_by(Sample.Label, year, season, n == n_max),
) |>
arrange(sampling_day) |>
distinct(sampling_day, year, season)
dados_para_filtrar_por_data_quase_sem_repeticao
filtro_datas_quase_sem_repeticao <- dados_para_filtrar_por_data_quase_sem_repeticao$sampling_day
dasy_croc_rio_anfr_quase_sem_repeticao <- dasy_croc_rio_anfr |>
filter(sampling_day %in% filtro_datas_quase_sem_repeticao,
Region.Label == "Resex Riozinho do Anfrísio")
dasy_croc_rio_anfr_quase_sem_repeticao |>
plotar_distribuicao_distancia_interativo(largura_caixa = 1)
Warning: Continuous y aesthetic
ℹ did you forget `aes(group = ...)`?
dasy_croc_rio_anfr_quase_sem_repeticao_hn <- dasy_croc_rio_anfr_quase_sem_repeticao |>
ajuste_modelos_distance_hn(truncamento = 11)
Fitting half-normal key function
AIC= 256.177
Starting AIC adjustment term selection.
Fitting half-normal key function
AIC= 256.177
Fitting half-normal key function with cosine(2) adjustments
AIC= 258.16
Half-normal key function selected.
Starting AIC adjustment term selection.
Fitting half-normal key function
AIC= 256.177
Fitting half-normal key function with Hermite(4) adjustments
AIC= 258.177
Half-normal key function selected.
dasy_croc_rio_anfr_quase_sem_repeticao_hr <- dasy_croc_rio_anfr_quase_sem_repeticao |>
ajuste_modelos_distance_hr(truncamento = 11)
Fitting hazard-rate key function
Warning: First partial hessian is singular; using second-partial hessian
AIC= 257.999
Starting AIC adjustment term selection.
Fitting hazard-rate key function
Warning: First partial hessian is singular; using second-partial hessian
AIC= 257.999
Fitting hazard-rate key function with cosine(2) adjustments
AIC= 258.949
Hazard-rate key function selected.
Starting AIC adjustment term selection.
Fitting hazard-rate key function
Warning: First partial hessian is singular; using second-partial hessian
AIC= 257.999
Fitting hazard-rate key function with simple polynomial(4) adjustments
Warning: First partial hessian is singular; using second-partial hessian
AIC= 260.177
Hazard-rate key function selected.
dasy_croc_rio_anfr_quase_sem_repeticao_hn |>
purrr::map(\(.x) plot(.x))
$`Sem termo`
NULL
$Cosseno
NULL
$`Hermite polinomial`
NULL
dasy_croc_rio_anfr_quase_sem_repeticao_hr |>
purrr::map(\(.x) plot(.x))
$`Sem termo`
NULL
$Cosseno
NULL
$`Polinomial simples`
NULL
summarize_ds_models(
dasy_croc_rio_anfr_quase_sem_repeticao_hn$`Sem termo`,
dasy_croc_rio_anfr_quase_sem_repeticao_hn$Cosseno,
dasy_croc_rio_anfr_quase_sem_repeticao_hn$`Hermite polinomial`,
dasy_croc_rio_anfr_quase_sem_repeticao_hr$`Sem termo`,
dasy_croc_rio_anfr_quase_sem_repeticao_hr$Cosseno,
dasy_croc_rio_anfr_quase_sem_repeticao_hr$`Polinomial simples`
)
dasy_croc_rio_anfr_quase_sem_repeticao_hn |>
purrr::map(\(.x) gof_ds(model = .x))
$`Sem termo`
Goodness of fit results for ddf object
Distance sampling Cramer-von Mises test (unweighted)
Test statistic = 0.585769 p-value = 0.0242743
$Cosseno
Goodness of fit results for ddf object
Distance sampling Cramer-von Mises test (unweighted)
Test statistic = 0.585769 p-value = 0.0242743
$`Hermite polinomial`
Goodness of fit results for ddf object
Distance sampling Cramer-von Mises test (unweighted)
Test statistic = 0.585769 p-value = 0.0242743
dasy_croc_rio_anfr_quase_sem_repeticao_hr |>
purrr::map(\(.x) gof_ds(model = .x))
$`Sem termo`
Goodness of fit results for ddf object
Distance sampling Cramer-von Mises test (unweighted)
Test statistic = 0.587752 p-value = 0.024001
$Cosseno
Goodness of fit results for ddf object
Distance sampling Cramer-von Mises test (unweighted)
Test statistic = 0.587752 p-value = 0.024001
$`Polinomial simples`
Goodness of fit results for ddf object
Distance sampling Cramer-von Mises test (unweighted)
Test statistic = 0.587752 p-value = 0.024001
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
dasy_croc_rio_anfr_quase_sem_repeticao_hn$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
dasy_croc_rio_anfr_quase_sem_repeticao_hn$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade estimada, coeficiente de variação da densidade estimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
dasy_croc_rio_anfr_quase_sem_repeticao_hn$`Sem termo`$dht$individuals$D
NA
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
dasy_croc_rio_anfr_quase_sem_repeticao_hr$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
dasy_croc_rio_anfr_quase_sem_repeticao_hr$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
dasy_croc_rio_anfr_quase_sem_repeticao_hr$`Sem termo`$dht$individuals$D
NA
Fonte: biolib.cz
dasy_croc_tap_arap <- transformar_para_distanceR_covariaveis_sem_repeticao() |> filter(
Region.Label == "Resex Tapajós Arapiuns",
sp_name == "Dasyprocta croconota"
) |>
drop_na(distance)
dasy_croc_tap_arap
teste1 <- dasy_croc_tap_arap |>
group_by(Sample.Label, sampling_day, year, season) |>
count(sampling_day) |>
ungroup() |>
arrange(Sample.Label, sampling_day)
teste1
tentar gerar uma nova coluna usando uma condicional que repita uma única data para datas que ocorrem dentro do intervalo amostral. depois basta manter as observações únicas usando distinct()
teste2 <- dasy_croc_tap_arap |>
group_by(Sample.Label, year, season) |>
count(sampling_day) |>
reframe(n_max = max(n)) |>
ungroup() |>
arrange(year)
teste2
dados_para_filtrar_por_data_quase_sem_repeticao <- teste1 |>
semi_join(
teste2,
join_by(Sample.Label, year, season, n == n_max),
) |>
arrange(sampling_day) |>
distinct(sampling_day, year, season)
dados_para_filtrar_por_data_quase_sem_repeticao
filtro_datas_quase_sem_repeticao <- dados_para_filtrar_por_data_quase_sem_repeticao$sampling_day
dasy_croc_tap_arap_quase_sem_repeticao <- dasy_croc_tap_arap |>
filter(sampling_day %in% filtro_datas_quase_sem_repeticao,
Region.Label == "Resex Tapajós Arapiuns")
dasy_croc_tap_arap_quase_sem_repeticao |>
plotar_distribuicao_distancia_interativo(largura_caixa = 1)
dasy_croc_tap_arap_quase_sem_repeticao_hn <- dasy_croc_tap_arap_quase_sem_repeticao |>
ajuste_modelos_distance_hn(truncamento = 11)
dasy_croc_tap_arap_quase_sem_repeticao_hr <- dasy_croc_tap_arap_quase_sem_repeticao |>
ajuste_modelos_distance_hr(truncamento = 11)
dasy_croc_tap_arap_quase_sem_repeticao_hn |>
purrr::map(\(.x) plot(.x))
dasy_croc_tap_arap_quase_sem_repeticao_hr |>
purrr::map(\(.x) plot(.x))
summarize_ds_models(
dasy_croc_tap_arap_quase_sem_repeticao_hn$`Sem termo`,
dasy_croc_tap_arap_quase_sem_repeticao_hn$Cosseno,
dasy_croc_tap_arap_quase_sem_repeticao_hn$`Hermite polinomial`,
dasy_croc_tap_arap_quase_sem_repeticao_hr$`Sem termo`,
dasy_croc_tap_arap_quase_sem_repeticao_hr$Cosseno,
dasy_croc_tap_arap_quase_sem_repeticao_hr$`Polinomial simples`
)
dasy_croc_tap_arap_quase_sem_repeticao_hn |>
purrr::map(\(.x) gof_ds(model = .x))
dasy_croc_tap_arap_quase_sem_repeticao_hr |>
purrr::map(\(.x) gof_ds(model = .x))
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
dasy_croc_tap_arap_quase_sem_repeticao_hn$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
dasy_croc_tap_arap_quase_sem_repeticao_hn$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade estimada, coeficiente de variação da densidade estimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
dasy_croc_tap_arap_quase_sem_repeticao_hn$`Sem termo`$dht$individuals$D
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
dasy_croc_tap_arap_quase_sem_repeticao_hr$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
dasy_croc_tap_arap_quase_sem_repeticao_hr$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
dasy_croc_tap_arap_quase_sem_repeticao_hr$`Sem termo`$dht$individuals$D